Радж Шукла, технічний директор SymphonyAI – Серія інтерв’ю

Радж Шукла керує технологічною стратегією та виконанням у SymphonyAI, очолюючи інженерну команду, яка розробляє платформу Eureka Gen AI. З майже 20-річним досвідом у сфері інженерії та досліджень штучного інтелекту та машинного навчання, Шукла також має великий досвід роботи з корпоративним програмним забезпеченням штучного інтелекту з часів його керівних посад у Microsoft (MSFT ), де його успішна 14-річна кар’єра включала керівництво глобальними організаціями штучного інтелекту та інженерії у сфері Azure, Dynamics 365, MSR та підрозділів пошуку та реклами. Радж має великий досвід роботи з штучним інтелектом та машинним навчанням у сфері пошуку, реклами та корпоративного штучного інтелекту, а також створив кілька успішних продуктів штучного інтелекту у сфері споживчих та бізнес-додатків.

SymphonyAI – це корпоративна компанія штучного інтелекту, яка спеціалізується на розробці галузевих застосунків штучного інтелекту, які забезпечують негайну бізнес-віддачу. Замість загальних моделей компанія пропонує вертикальні рішення для роздрібної торгівлі, споживчих товарів, фінансових послуг, виробництва, медіа та інформаційних технологій, вирішуючи завдання, такі як прогнозування, запобігання шахрайству, оптимізація операцій та аналіз. Продукти компанії працюють на платформі Eureka AI, яка поєднує прогностичні, генеративні та агентні можливості у робочих процесах, адаптованих до кожної галузі. Заснована у 2017 році, компанія виросла у глобального лідера у сфері вертикального штучного інтелекту, обслуговуючи тисячі корпоративних клієнтів з масштабованими, галузевими рішеннями.

Ви працювали на передовій лінії інновацій штучного інтелекту у Microsoft, Oracle (ORCL ) та тепер SymphonyAI – що спочатку привернуло вас до світу корпоративного штучного інтелекту, і як змінився ваш погляд за роки?

Моя подорож у сфері корпоративного штучного інтелекту почалася з основної віри, що компанії повинні впроваджувати штучний інтелект, який вирішує реальні бізнес-проблеми, а не просто створювати штучний інтелект заради самого штучного інтелекту. Я бачив, що загальні, широкі рішення штучного інтелекту рідко забезпечують трансформаційну цінність. У SymphonyAI ми побудували свою компанію та культуру на розробці штучного інтелекту, який розуміє конкретні галузеві виклики, від виявлення фінансових злочинів до роздрібної торгівлі, орієнтованої на покупців, та індустріальної підтримки працівників. Корпоративна готовність додає ще один вимір – успішний корпоративний штучний інтелект вимагає не тільки великої технології, а й видатного управління даними та архітектури, складної міжфункціональної співпраці та робочих процесів, а також повної прозорості та аудиту.

Які конкретні недоліки зустрічають підприємства з загальними попередньо натренованими моделями, особливо у високорегульованих галузях, таких як фінанси чи охорона здоров’я? 

Загальні попередньо натреновані моделі не створені для високоризикових, високорегульованих середовищ фінансів, охорони здоров’я та роздрібної торгівлі. Загальні попередньо натреновані моделі зустрічають критичні бар’єри, включаючи необхідність основної галузевої експертизи для вирішення галузевих нюансів та виконання суворих нормативних та вимог до відповідності, які відрізняються за географічним положенням. Найважливіше, що вони не можуть забезпечити точність та відстежуваність, які підприємства вимагають, де помилки можуть нашкодити споживачам або спровокувати порушення законодавства. Незалежно від того, чи це виконання вимог законодавства про боротьбу з відмиванням грошей чи надання можливості роздрібній торгівлі швидко прибрати товари з розподілу та полиць, технологія вертикального штучного інтелекту SymphonyAI спеціально розроблена для галузей, у яких ми працюємо, та тренується на онтологіях цих галузей, що дозволяє їм приймати або автоматизувати рішення, які безпосередньо створюють бізнес-віддачу.

Поєднання попередньо натренованих моделей з глибокою галузевою логікою все частіше розглядається як ключ до розблокування корпоративної ROI – які є основними компонентами, такими як галузева експертиза, узгодження KPI та нормативні периметри, які роблять цей підхід ефективним? 

Поєднання попередньо натренованих моделей з глибокою галузевою логікою розблоковує цінність, створюючи системи штучного інтелекту, які розуміють бізнес-контекст та операційні вимоги. Цей підхід успішний, коли моделі доповнюються галузевими онтологіями, узгоджуються з корпоративними KPI, щоб забезпечити, що вивід безпосередньо служить вимірним бізнес-цілям, та оснащені нормативними периметрами, які забезпечують необхідні нормативні рамки та аудитні сліди. Коли ці елементи працюють разом, загальний штучний інтелект перетворюється на бізнес-критичні рішення, які забезпечують вимірні результати, зберігаючи при цьому надійність та відповідність, які підприємства вимагають.

IBM最近 придбала Seek AI та запустила Watsonx Labs у Нью-Йорку, сигналізуючи про потенційний стратегічний зсув у ландшафті штучного інтелекту – що це вказує на майбутнє M&A та інвестиційних тенденцій у сфері корпоративного штучного інтелекту? 

Придбання IBM Seek AI та запуск Watsonx Labs є підтвердженням фундаментального зсуву, який ми очікували: ландшафт корпоративного штучного інтелекту змінився, сигналізуючи про те, що наступна хвиля M&A буде пріоритетною для компаній з попередньо натренованими вертикальними моделями штучного інтелекту, які надходять з глибокою галузевою експертизою, управлінням та нормативними периметрами, а також результативними KPI. Стратегічні покупці, такі як IBM, визнають, що агенти штучного інтелекту, орієнтовані на корпоративні дані, забезпечують негайну ROI, коли вони розуміють конкретні галузеві робочі процеси. Ринок консолідується навколо визнання того, що загальний інтелект потребує вертикальної спеціалізації для забезпечення корпоративної трансформації.

На якому етапі модель основи еволюціонує у галузевого агента – які архітектурні віхи сигналізують про цей перехід? 

Модель основи не природно дозріває у галузевого агента; її потрібно інженерно створити. Не існує прямого шляху, яким загальна модель просто “стає розумнішою” та стає банківським слідчим. Перехід відбувається лише тоді, коли інженерні команди припиняють покладатися на суровий інтелект моделі та починають будувати керовану архітектуру навколо неї – конкретно впроваджуючи контекстний шар (як граф знань) та оркестраційний шар для примусу моделі слідувати бізнес-процесу, а не її власним ймовірнісним тенденціям.

Які є основні виклики у створенні агентських робочих процесів, які є одночасно стійкими та вертикально-специфічними, і як SymphonyAI вирішує їх? 

Основні виклики у створенні стійких, вертикально-специфічних агентських робочих процесів полягають у підтримці надійності у складних багатоступінчатих процесах. SymphonyAI вирішує ці виклики за допомогою своєї багаторівневої архітектури, яка впроваджує галузеву експертизу безпосередньо в агента, реалізує обробку помилок з відновленням після збоїв та підтримує постійний контекстний менеджмент у багатосесійних корпоративних процесах. Це дозволяє нашим агентам працювати надійно у високоризикових, регульованих середовищах, де стійкість означає підтримання точності, відповідності та операційної цілісності.

SymphonyAI підкреслює важливість міцних даних, графів знань та метаданих шарів – чому ці можливості критичні для вертикальних агентів штучного інтелекту, і чому багато підприємств борються з їх впровадженням? 

Міцні дані та графи знань є критичними для вертикальних агентів штучного інтелекту, щоб мати значимі джерела, забезпечувати контекстуалізовані рекомендації та залишатися актуальними з ринковими, клієнтськими та процесними змінами на всіх рівнях підприємства. Більшість підприємств борються з впровадженням цих можливостей, оскільки вони вимагають значних попередніх інвестицій у архітектуру даних, спеціалізовану онтологічну експертизу та фундаментальні зміни існуючих даних практик, які багато організацій знаходять організаційно та технічно складними. Саме тут партнер з технологією штучного інтелекту з глибоким досвідом та знаннями у цій галузі є невід’ємним, включаючи їхню здатність попередньо тренувати штучний інтелект на величезних кількостях галузевих даних та джерелах у багатьох реальних клієнтах цієї галузі.

У реальних сценаріях – таких як виявлення фінансових злочинів або роздрібна торгівля – як SymphonyAI об’єднує прогностичні, генеративні та агентські можливості штучного інтелекту у єдині “навички”?

SymphonyAI об’єднує прогностичні, генеративні та агентські можливості штучного інтелекту у єдині “навички”, створюючи інтегровані робочі процеси, у яких кожен продукт штучного інтелекту відповідає на конкретну бізнес-проблему. У виявленні фінансових злочинів наші прогностичні моделі визначають підозрілі транзакційні моделі, а генеративний штучний інтелект створює детальні звіти про розслідування та оцінки ризиків. У той же час агентський штучний інтелект оркеструє весь робочий процес, автоматично ескалує справи, координує з командами з питань відповідності та адаптує стратегії розслідування на основі реальних висновків.

Ключовим є те, що ці не окремі інструменти штучного інтелекту, а інтегровані можливості у галузевих агентах, які розуміють бізнес-контекст, підтримують стан робочого процесу та можуть безшовно переходити між прогностичним аналізом, генерацією вмісту та автономними діями для забезпечення повних бізнес-результатів, а не фрагментованих виводів штучного інтелекту.

Ви попередили, що багато корпоративних агентів штучного інтелекту можуть спотикнутися без стійкості – які є ключовими характеристиками добре спроектованого, стійкого корпоративного агента штучного інтелекту? 

Добре спроектовані, побудовані для перевірки корпоративні агенти штучного інтелекту вимагають декількох критичних характеристик. Хоча багато підприємств швидко інвестують у розгортання агентів штучного інтелекту для підвищення ефективності, продуктивності та інновацій, вони часто недооцінюють підготовчу роботу, необхідну для успіху. Деякі життєво важливі аспекти, які добре спроектовані агенти повинні мати для успіху, включають:

• Корпоративні агенти штучного інтелекту працюють з корпоративними даними, які часто ізольовані та не мають належного програмного доступу, дозволів та контролю доступу. Агентам потрібно бути оснащеними такими ж аутентифікаційними та авторизаційними положеннями, як і працівники.
• Агентам також потрібно відновлюватися від усіх форм корпоративних системних збоїв, мережевих відключень та нестабільних кінців. Оркестраційний шар потрібно забезпечити довготривалі, стійкі, витримувані робочі процеси, чого не можуть забезпечити популярні оркестратори LLM.
• LLM будуть недетермінірованими та будуть провалюватися у завданнях. Відновлення після збоїв, повторні спроби та оптимальне відкриття шляху потрібно зробити ключовими функціями агентських систем.

Для технічних директорів, які розглядають можливість побудови вертикальних платформ штучного інтелекту внутрішньо проти партнерства з нішевими постачальниками, яку пораду б ви дали? 

Побудова корпоративних рішень штучного інтелекту у декількох галузях, включаючи роздрібну торгівлю/CPG, промисловість, фінансові послуги та іншу, вимагає одночасного освоєння передових технологій штучного інтелекту та глибокої галузевої експертизи для досягнення реальної цінності від корпоративних рішень штучного інтелекту. Наша платформа Eureka AI демонструє, як вертикально-специфічні джерела даних, графи знань, прогностичні моделі та агенти повинні бути адаптовані до кожної галузі, але це представляє роки дослідницьких інвестицій та ітерацій клієнтів, яких не мають більшість внутрішніх команд. Для підприємств та технічних директорів, які розглядають можливість інвестування у штучний інтелект, я раджу їм вибирати рішення, які забезпечують реальні результати з першого дня. Вертикальні рішення штучного інтелекту забезпечують ці результати, забезпечуючи користувачів даними, які вони можуть використовувати для створення бізнес-цінності.

Оглядаючи майбутнє, як ви бачите архітектуру корпоративного штучного інтелекту – чи стануть федерації вертикальних агентів, побудованих на спільних моделях основи, нормою?

Ми не побачимо лише “федеративні” агенти; ми побачимо керовані агентські архітектури. Хоча спільні моделі основи забезпечують інженерний двигун, вони є суттєво комодитизованими. “Норма” для успішних підприємств буде розгортанням спеціалізованих, вертикальних агентів, які не просто “розмовляють” один з одним, а суворо оркестровані через спільний контекстний шар. Якщо у вас просто “федеративні” агенти, побудовані на моделях основи, ви отримуєте шумну, галюциногенну систему – те, що ми називаємо “sızıntı трубки” корпоративного штучного інтелекту. Щоб зробити цю архітектуру масштабованою у виробництві, вам потрібно три конкретні шари, які виходять за рамки простої федерації:

• Контекст (Граф знань): Агентам потрібно поділитися єдиною джерелом правди, а не просто обмінюватися ймовірностями.
• Оркестрація: Вам потрібно “майстер-архітектор”, який вирішує, коли використовувати спеціалізованого агента, а коли залишати людину у циклі.
• Керування: Вивід повинен бути юридично та операційно безпечним перед тим, як залишити систему.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, повинні відвідати SymphonyAI.